بهینه سازی و پیش بینی فرآیند بیوفیلمی با بستر متحرک (MBBR) با استفاده از روش پاسخ سطح (RSM) و شبکه عصبی مصنوعی (ANN)

در این تحقیق بهینه سازی و پیش بینی راندمان راکتور بیوفیلمی با بستر متحرک (MBBR) در تصفیه فاضلاب مصنوعی حاوی آنیلین با استفاده از روش سطح پاسخ (RSM) و شبکه عصبی مصنوعی (ANN) بررسی شده است.

نتایج مدلسازی از راکتور به حجم تقریبی 5 لیتر که با درصد پرشدگی 30، 50 و 70 درصد با سنگدانه های سبک لیکا به عنوان محیط رشد میکروارگانسیم ها و تشکیل لایه بیوفیلم پر شده بود، استفاده گردید. برای تعیین شرایط بهینه در آزمایش های انجام شده و همچنین پیش بینی آزمایش های انجام نشده، سه عامل میزان خوراک در سطوح بین 100 تا 3000 میلی گرم بر لیتر، زمان ماند 8 تا 72 ساعت و درصد پرشدگی 30 و 50 و 70 درصد با استفاده از RSM صورت گرفت. دقت و صحت مدلهای ارایه شده به کمک تحلیل واریانس ANOVA بررسی شد. پیش بینی راندمان حذف سیستم با استفاده از ANN پایه شعاعی نیز بررسی گردید.

بهینه سازی فرایند نشان داد که شرایط بهینه برای بیشترین حذف در میزان خوراک mg/l 1700 و زمان ماند 72 ساعت در درصد پرشدگی 82/56 درصد می باشد. نتایج پیش بینی فرایند با استفاده از ANN پایه شعاعی نیز نشان داد که در بهترین ساختار شبکه با توابع انتقال Radbas و خطی (Purelin) با 982/0=R2 قادر به پیش بینی راندمان حذف می باشد.

با مقایسه مدل ANN پایه شعاعی و RSM و مقایسه میزان خطای این دو روش می توان گفت که روش ANN پایه شعاعی با دقت بیشتر و خطای کمتر روند داده ها را پیش بینی کرده است.